Технологии
Нейросети и искусственный интеллект (ИИ) для логистов. Цифровизация в логистике

Курс повышения квалификации, 16 академических часов. Очно, 10:00-17:30. Обусловлена ростом объёмов данных в логистике, необходимостью ускорения принятия решений, оптимизацией маршрутов и запасов, снижением издержек, автоматизацией рутинных операций, а также повышением точности прогнозов спроса и сроков доставки. Отдельный вызов — переход от «классического» предиктивного ИИ к генеративным моделям и ИИ-агентам, которые уже сегодня берут на себя значительную часть рутинных операций в цепях поставок. Программа учитывает этот сдвиг и даёт логисту практические инструменты работы с обеими волнами технологий. Цель курса повышения квалификации Сформировать у слушателей практические компетенции применения инструментов ИИ и нейросетей (включая генеративные модели и ИИ-ассистентов) для решения типовых логистических задач и повышения эффективности процессов. В программе курса повышения квалификации 1. Искусственный интеллект (ИИ) и нейросети для специалистов по логистике Базовые понятия ИИ и машинного обучения (метод обучения систем на данных). Краткий обзор типов нейросетей и их применимости в логистике. Примеры реальных кейсов: прогнозирование спроса, маршрутизация, управление запасами. Обзор популярных платформ и сервисов с ИИ для логистики. Разбор типовых задач логиста, которые можно автоматизировать. Этика и безопасность при работе с данными в ИИ-проектах. Нормативно-правовые аспекты использования ИИ в бизнес-процессах. 2. Данные как основа для работы ИИ в логистике Какие данные нужны для ИИ-моделей в логистике (грузопотоки, сроки, тарифы, статусы). Источники данных: TMS (TMS — система управления транспортом), WMS (WMS — система управления складом), ERP (ERP — система планирования ресурсов предприятия). Принципы сбора и структурирования данных для нейросетей. Очистка и подготовка данных: удаление дублей, заполнение пропусков, нормализация. Методы проверки качества данных и выявления аномалий. Практический разбор шаблона таблицы для подачи данных в ИИ. Вопросы конфиденциальности и защиты персональных данных при работе с ИИ. 3. Прогнозирование и планирование с помощью ИИ Прогнозирование спроса и сезонности методами машинного обучения. Модели прогнозирования остатков и сроков годности. Оптимизация графика поставок на основе исторических данных. Расчёт необходимого страхового запаса с учётом неопределённости. Анализ факторов, влияющих на точность прогноза (погода, праздники, акции). Сравнение точности разных моделей на примере логистических данных. Интерпретация результатов прогноза и принятие управленческих решений. 4. Оптимизация маршрутов и управление транспортом Постановка задачи маршрутизации и ограничения (время, грузоподъёмность, окна доставки). Алгоритмы оптимизации маршрутов с применением ИИ. Учёт пробок, погодных условий и ремонтов дорог в расчётах. Динамическая корректировка маршрутов в реальном времени. Оценка экономии времени и топлива при использовании ИИ-маршрутизации. Интеграция ИИ-инструментов с навигационными системами. Разбор кейса: сокращение пробега и времени доставки за счёт ИИ. 5. Управление запасами и складскими процессами Прогнозирование оборачиваемости товаров и выявление «залежавшихся» позиций. Автоматическое определение оптимального уровня запасов по категориям. Группировка товаров по ABC- и XYZ-анализу с помощью ИИ. Планирование пополнения и ротации запасов на основе прогноза. Оптимизация размещения товаров на складе с учётом частоты отгрузок. Контроль сроков годности и минимизация списаний. Практические примеры расчёта страхового запаса и точки заказа. 6. Автоматизация документооборота и контроля исполнения Распознавание накладных, счетов и актов с помощью компьютерного зрения (анализ изображений для извлечения данных). Извлечение ключевых реквизитов из документов (номер, дата, сумма, контрагент). Проверка корректности заполнения и сверка с данными в системе. Автоматическая классификация и маршрутизация документов. Мониторинг статусов исполнения заказов и выявление отклонений. Формирование отчётов и уведомлений при отклонениях. Безопасность и контроль доступа при работе с электронными документами. 7. Большие языковые модели (БЯМ) и ИИ-ассистенты в повседневной работе логиста Что такое большие языковые модели и как они работают на прикладном уровне. Составление типовых писем, запросов поставщикам и инструкций с помощью ИИ-ассистента. Разбор переписки и извлечение ключевых условий из неструктурированных текстов. Чат-боты и ассистенты для поддержки логистов: разбор сценариев использования. Ограничения генеративных моделей: галлюцинации и необходимость проверки. Безопасность данных при работе с внешними ИИ-сервисами. Сценарии, где применение БЯМ даёт наибольший выигрыш по времени. 8. Инструменты и сервисы для логистов: обзор и практика Популярные облачные платформы и low-code решения для ИИ. Подключение больших языковых моделей к внутренним данным без ИТ-команды: базовые подходы. Сервисы для маршрутизации, прогнозирования и анализа данных. Интерфейсы взаимодействия с ИИ. Подбор инструментов под типовые задачи отдела логистики. Демонстрация типовых запросов к ИИ-ассистенту для логистических расчётов. Ограничения бесплатных и коммерческих версий сервисов. 9. Риски, ограничения и этические аспекты применения ИИ Технические риски: ошибки моделей, зависимость от качества данных. Операционные риски: сбои, задержки, неверные рекомендации ИИ. Ответственность за решения, принятые на основе рекомендаций ИИ-агентов. Юридические и регуляторные аспекты использования ИИ. Ответственность за решения, принятые на основе рекомендаций ИИ. Этические вопросы: прозрачность алгоритмов, защита персональных данных. Сценарии отказа ИИ и план действий для логиста. Ответы на вопросы участников. Практические рекомендации. По желанию слушателей возможна оплата третьего и/или четвёртого дня обучения. В эти дни проводятся практикум на основе кейсов участников и обсуждение актуальных вопросов. Результат посещения курса повышения квалификации Участники обучения узнают: Принципы работы базовых ИИ-инструментов в операционной деятельности. Возможности нейросетей для прогнозирования и оптимизации. Способы применения больших языковых моделей (БЯМ) для работы с логистическими документами и коммуникацией. Критерии выбора подходящих технологий под задачи логистики. Риски и ограничения применения ИИ в отрасли. Для кого предназначен курс повышения квалификации Логисты, менеджеры по цепям поставок, специалисты по планированию перевозок, руководители транспортных подразделений, операционные менеджеры, аналитики цепей поставок. Искусственный интеллект (ИИ) и нейросети (нейронные сети) в логистике выступают как инструменты автоматизации и повышения точности управленческих решений: ИИ обрабатывает большие массивы данных для выявления закономерностей и формирования прогнозных оценок, а нейросети, обучаясь на исторических данных, обеспечивают релевантные рекомендации по планированию поставок, оптимизации маршрутов и управлению запасами, что позволяет минимизировать операционные издержки, сократить время принятия решений и снизить влияние человеческого фактора в логистических процессах. Метод ведения Теоретические лекции с примерами из практики. Разбор реальных кейсов и ситуаций. Практические задания по теме курса. Документ по окончанию курса повышения квалификации Удостоверение о повышении квалификации
Подробнее у организатора